Weakly Supervised Video Anomaly Detection Using CNN-LSTM with Confidence-Aware Automated Pseudo Label Generation

निगरानी कैमरे हमारे शहरों, दुकानों और सड़कों पर नज़र रखते हैं, जो मानवीय गतिविधियों की एक निरंतर धारा को कैप्चर करते हैं। दशकों से, लक्ष्य ऐसे कंप्यूटर बनाना रहा है जो इस फुटेज को हमारे साथ देख सकें और खतरे के घटित होते ही उसे पहचान सकें। हालाँकि, चुनौती यह है कि कंप्यूटर को लड़ाई, चोरी या आग को पहचानना सिखाना अविश्वसनीय रूप से कठिन है। इसके लिए मशीन को इन घटनाओं के हजारों उदाहरण दिखाने की आवश्यकता होती है, जिसमें खतरे के हर एक क्षण को एक मानव विशेषज्ञ द्वारा चिह्नित किया जाना चाहिए। यह मैन्युअल लेबलिंग धीमी, महंगी है और हर दिन उत्पन्न होने वाले वीडियो डेटा की विशाल मात्रा के लिए अक्सर असंभव है। इन विस्तृत लेबल के बिना, मानक कंप्यूटर प्रोग्राम यह समझने में संघर्ष करते हैं कि क्या सामान्य है और क्या नहीं, क्योंकि वे रोजमर्रा की विविधताओं के कारण अक्सर भ्रमित हो जाते हैं।

इसे हल करने के लिए, शिराज विश्वविद्यालय के शोधकर्ताओं ने कंप्यूटर को बिना किसी मानव द्वारा वीडियो के हर सेकंड को लेबल किए बिना विसंगतियों (anomalies) को पहचानने के लिए प्रशिक्षित करने का एक नया तरीका विकसित किया है। महंगे मैन्युअल नोट्स पर निर्भर रहने के बजाय, उनका सिस्टम तीन अलग-अलग दृष्टिकोणों के माध्यम से वीडियो को देखकर यह समझ विकसित करता है कि वहां क्या हो रहा है। सबसे पहले, यह गति (movement) को खोजता है, स्क्रीन के किसी भी हिस्से की पहचान करता है जहाँ पिक्सेल बदल रहे हैं। इसके बाद, यह उन गतिशील क्षेत्रों के भीतर विशिष्ट वस्तुओं, जैसे कि व्यक्ति या वाहन, को पहचानने का प्रयास करता है। अंत में, यह उन वस्तुओं के चारों ओर एक सटीक रूपरेखा (outline) बनाता है ताकि यह देख सके कि वे कितनी जगह घेरती हैं। इन तीन प्रेक्षणों को जोड़कर, सिस्टम खुद के "अनुमान" बनाता है कि वीडियो के कौन से हिस्से सामान्य हैं और कौन से अजीब हैं। ये अनुमान, जिन्हें 'स्यूडो लेबल्स' (pseudo labels) कहा जाता है, पूर्ण नहीं हैं, लेकिन शोधकर्ताओं ने एक विशेष विधि डिजाइन की है जिससे यह मापा जा सके कि सिस्टम अपने प्रत्येक अनुमान में कितना आश्वस्त है, जिससे अनिश्चित अनुमानों को अनदेखा किया जा सके और स्पष्ट संकेतों पर ध्यान केंद्रित किया जा सके।

इस नए दृष्टिकोण का मूल एक हल्का (lightweight) कंप्यूटर मॉडल है जो इन स्वचालित अनुमानों से सीखता है। शोधकर्ताओं ने एक पूर्व-प्रशिक्षित विजन सिस्टम का उपयोग किया, जो आँखों के एक जोड़े की तरह कार्य करता है जिसने लाखों छवियों से आकृतियों और वस्तुओं को पहचानना पहले ही सीख लिया है, और इसकी सेटिंग्स को फ्रीज कर दिया ताकि प्रशिक्षण के दौरान इसमें कोई बदलाव न हो। इसने गणना शक्ति (computing power) की भारी बचत की, जिससे सिस्टम के समायोज्य भागों की संख्या लगभग नब्बे प्रतिशत कम हो गई। मॉडल ने फिर घटनाओं के क्रम को याद रखने के लिए एक मेमोरी घटक का उपयोग किया, जिससे वह फ्रेमों के बीच संबंध जोड़कर यह समझ सका कि एक दृश्य समय के साथ कैसे विकसित होता है। यह सुनिश्चित करने के लिए कि सिस्टम एक दृश्य को सामान्य और फिर असामान्य के रूप में लेबल करने के बीच तेजी से न बदले, उन्होंने एक नियम जोड़ा जिसने एक क्षण से दूसरे क्षण तक सुचारू और सुसंगत भविष्यवाणियों को प्रोत्साहित किया।

तेरह विभिन्न प्रकार के अपराधों वाले निगरानी वीडियो के एक बड़े संग्रह पर परीक्षण किए जाने पर, सिस्टम ने उच्च विश्वसनीयता के साथ प्रदर्शन किया। इसने लगभग अस्सी प्रतिशत परीक्षण मामलों में असामान्य घटनाओं की सही पहचान की और सामान्य और असामान्य गतिविधि के बीच अंतर करने में सतहसत्तर प्रतिशत का संतुलित स्कोर प्राप्त किया। शोधकर्ताओं ने परिणामों की निरंतरता सुनिश्चित करने के लिए अलग-अलग रैंडम शुरुआती बिंदुओं के साथ प्रयोग को पांच बार चलाया, और प्रदर्शन सभी परीक्षणों में स्थिर रहा। महत्वपूर्ण बात यह है कि सिस्टम ने बिना किसी मानव द्वारा प्रशिक्षण वीडियो में खतरनाक क्षणों को मैन्युअल रूप से चिह्नित किए, यह उपलब्धि हासिल की। गति का पता लगाने, वस्तुओं की पहचान करने और उन्हें रूपरेखा में बांधने की स्वचालित प्रक्रिया ने मानव एनोटेशन के एक व्यवहार्य विकल्प के रूप में काम किया, जिससे वीडियो मॉनिटरिंग को पहले से कहीं अधिक बड़े डेटासेट तक स्केल करना संभव हो गया।

अध्ययन ने यह भी प्रकट किया कि स्वचालित पाइपलाइन का प्रत्येक हिस्सा आवश्यक था। जब शोधकर्ताओं ने मोशन डिटेक्शन, ऑब्जेक्ट रिकग्निशन, या सटीक आउटलाइनिंग को हटाया, तो समस्या को पहचानने की सिस्टम की क्षमता काफी कम हो गई। इसने पुष्टि की कि इन तीन दृश्य संकेतों का संयोजन किसी भी एकल विधि की तुलना में अधिक समृद्ध और विश्वसनीय चित्र प्रदान करता है। हालांकि यह सिस्टम अभी भी पूर्ण नहीं है और बहुत भीड़भाड़ वाले दृश्यों या खराब रोशनी में संघर्ष कर सकता है, फिर भी यह स्वचालित निगरानी को व्यावहारिक बनाने की दिशा में एक महत्वपूर्ण कदम है। मैन्युअल लेबलिंग की बाधा को हटाकर और कंप्यूटिंग लागत को भारी रूप से कम करके, यह दृष्टिकोण बुद्धिमान निगरानी प्रणालियों को वास्तविक दुनिया में तैनात करने के लिए एक यथार्थवादी मार्ग प्रदान करता है, जहाँ वे सार्वजनिक स्थानों की निगरानी उस स्तर के ध्यान के साथ कर सकते हैं जिसे मनुष्य सरल रूप से बनाए नहीं रख सकते।